AI可靠性

研究者提出科学可行性控制框架SFC，通过图结构共形预测为语言模型的科学推理提供统计有效性保障，显著减少科学原理违反现象。

研究人员提出一种基于贝叶斯网络的不确定性传播框架，可实时评估多阶段智能RAG系统各环节的可靠性，为工业级AI系统部署提供关键监控机制。

研究者提出一种符号反馈驱动的迭代自优化框架，通过自然语言提示映射逻辑符号，结合符号验证器识别错误并生成修正指令，显著提升大语言模型在长期规划任务中的可行性与正确性。

研究发现提示组合式智能体系统存在一种隐蔽故障模式——修改某个提示模块会无声影响其他模块行为，即使它们没有共享变量或执行依赖。

针对大语言模型在数学推理中可能产生计算错误或逻辑漏洞的问题，通义千问团队提出过程监督新思路，旨在提升推理过程的可信度。